时间序列预测 | 决策树时间序列预测建模，单步、多步（Python）

最新推荐文章于 2024-01-07 02:08:35 发布

天天酷科研

最新推荐文章于 2024-01-07 02:08:35 发布

阅读量232

点赞数 1

分类专栏：时间序列预测（TSF）机器学习模型（ML）文章标签： 1024程序员节决策树

本文链接：https://blog.csdn.net/2301_79294434/article/details/134009735

版权

时间序列预测（TSF）同时被 2 个专栏收录

27 篇文章 37 订阅 ¥29.90 ¥99.00

订阅专栏

机器学习模型（ML）

19 篇文章 1 订阅 ¥19.90 ¥99.00

订阅专栏

（1）数据读取

import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_absolute_error, mean_squared_error
import numpy as np
data = pd.read_csv(‘wind_dataset.csv’, index_col=0, parse_dates=True)
（2）创建滞后特征

data[‘T.MIN_lag3’] = data[‘T.MIN’].shift(3)
data[‘T.MIN.G_lag3’] = data[‘T.MIN.G’].shift(3)
（3）删除NaN值

data = data.dropna()
（4）拆分数据

train_size = int(len(data) * 0.8)
train, test = data[:train_size], data[train_size:]
X_train = train[[‘RAIN’, ‘T.MAX’, ‘T.MIN_lag3’, ‘T.MIN.G_lag3’]]
y_train = train[‘WIND’]
X_test = test[[‘RAIN’, ‘T.MAX’, ‘T.MIN_lag3’, ‘T.MIN.G_lag3’]]
y_test = test[‘WIND’]
注意：训练集并没有WIND，所以这个算法的意思是：仅仅使用[‘RAIN’, ‘T.MAX’, ‘T.MIN_lag3’, 'T.MIN.G_lag3’去构建一个模型，来预测WIND。个人认为不太行，忽略了WIND